[论文解读] Modeling and estimating change in temporal networks via a dynamic degree corrected stochastic block model.

James Wilson, Nathaniel T. Stevens+1 more|arXiv (Cornell University)|May 13, 2016

Complex Network Analysis Techniques参考文献 60被引用 26

一句话总结

本文提出一种动态度校正随机块模型（DCSBM），通过使用统计过程控制监控估计的模型参数，以检测时序网络中的结构变化。该方法应用于美国参议院共投票网络，成功识别出两党团结与极化的时期，展示了对局部和全局网络变化的有效检测能力。

ABSTRACT

In many applications it is of interest to identify anomalous behavior within a dynamic interacting system. Such anomalous interactions are reflected by structural changes in the network representation of the system. We propose and investigate the use of a dynamic version of the degree corrected stochastic block model (DCSBM) to model and monitor dynamic networks that undergo a significant structural change. We apply statistical process monitoring techniques to the estimated parameters of the DCSBM to identify significant structural changes in the network. Application of our surveillance strategy to the dynamic U.S. Senate co-voting network reveals that we are able to detect significant changes in the network that reflect both times of cohesion and times of polarization among Republican and Democratic party members. These findings provide valuable insight about the evolution of the bipartisan political system in the United States. Our analysis demonstrates that the dynamic DCSBM monitoring procedure effectively detects local and global structural changes in dynamic networks. The DCSBM approach is an example of a more general framework that combines parametric random graph models and statistical process monitoring techniques for network surveillance.

研究动机与目标

• 对动态系统中随时间演化的网络结构进行建模，其中结构变化表示异常行为。
• 开发一种监视框架，以检测时序网络中的显著结构转变。
• 将统计过程监控应用于动态DCSBM的参数，实现实时变化检测。
• 通过网络结构变化揭示美国参议院两党合作演变的洞察。

提出的方法

• 使用动态度校正随机块模型（DCSBM）的变体来表示随时间演化的网络结构。
• 在离散时间窗口内估计模型参数，包括块成员关系和边概率。
• 对估计的DCSBM参数应用统计过程监控技术，以检测显著偏差。
• 当参数轨迹超出控制限值时触发变化检测，表明发生结构转变。
• 通过长期追踪参数稳定性，实现对局部和全局变化的检测。
• 该框架将参数化随机图模型与统计过程控制相结合，用于网络监视。

实验结果

研究问题

• RQ1 如何有效利用动态DCSBM对网络结构的时序变化进行建模？
• RQ2 哪些统计技术能够可靠地检测动态网络中的结构转变？
• RQ3 DCSBM参数的变化如何对应于政治极化等现实世界网络现象？
• RQ4 该方法能否在现实网络中检测到局部和全局的结构变化？
• RQ5 通过网络结构变化检测，能对美国参议院两党合作的演变获得哪些洞察？

主要发现

• 动态DCSBM成功检测到美国参议院共投票网络随时间的显著结构变化。
• 该方法识别出共和党和民主党参议员之间凝聚力和极化程度增加的时期。
• 变化检测结果与国会长期存在的政治极化和两党合作的历史事件相吻合。
• 该方法有效捕捉了网络结构的局部和全局转变。
• 将DCSBM与统计过程监控相结合，实现了稳健、数据驱动的网络监视。
• 结果表明该方法在揭示现实系统中网络动态演变方面具有实际应用价值。